О чём урок
Это руководство посвящено замкнутым рабочим процессам агентов: агентам, которые генерируют результат, проверяют его и используют обратную связь для улучшения следующего прохода. Мы рассмотрим рабочий процесс обеспечения надёжности документации, который обнаруживает, исправляет и проверяет устаревшие или неработающие примеры API и SDK. В рабочем примере используются намеренно устаревшие notebooks, адаптированные из этого репозитория Cookbook. Мы построим этот цикл агента с помощью Codex. Codex анализирует текущее состояние, применяет целенаправленные изменения, запускает validation и повторяет действия, если обратная связь указывает на оставшиеся проблемы. Задача с notebook — это лишь пример. Шаблон применим везде, где output агента может быть измерен с помощью надёжной обратной связи. Рабочий процесс состоит из трёх фаз: Анализ: проверяет текущий артефакт и возвращает структурированные выводы, не редактируя файлы. Исправление: применяет целенаправленные изменения к скопированному артефакту, используя выводы и последнюю обратную связь от validation. Проверка: запускает соответствующие проверки и сообщает, что ещё требует доработки. Validation замыкает цикл. Исправленный notebook должен удовлетворять важным проверкам, а любые оставшиеся проблемы становятся входными данными для следующего исправления. Этот notebook использует Codex CLI в безголовом режиме, чтобы шаги исправления могли выполняться из Python cells вместо чат-интерфейса. Первый code cell устанавливает CLI; если он у вас уже есть, вы можете пропустить этот cell. Перед запуском активного цикла исправления установите OPENAI_API_KEY в вашей среде. В notebook по умолчанию используется быстрая модель исправления, чтобы полный пример мог завершиться за разумное время. Чтобы поэкспериментировать с другой моделью, установите REPAIR_MODEL перед началом работы. Install cell фиксирует известную версию Codex CLI для воспроизводимости; обновляйте эту версию намеренно, когда вам требуется новое поведение CLI. Cells ниже загружают три сопутствующих notebooks и суммируют метаданные, которые управляют циклом исправления. Sample намеренно небольшие. Они быстро выполняются, но при этом демонстрируют архитектуру: анализ выявляет существенные проблемы, исправление вносит целенаправленные изменения, а validation генерирует обратную связь для следующего прохода.
План урока
- Настройка
- Загрузка sample артефактов
- Определение бизнес-правил и таксономии проблем
- Определение структурированных output
- Фаза анализа
- Фаза исправления
- Фаза validation
- Сохранение output каждой итерации
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.